پایتون برای تجزیه و تحلیل داده ها: گام به گام با پروژه ها

تجزیه و تحلیل داده ها یک مهارت حیاتی است و محبوب تر می شود. امروزه هر سازمان دارای برخی اطلاعات است. داده ها می توانند بسیار مفید باشند، اما نه بدون تجزیه و تحلیل مناسب. تجزیه و تحلیل داده ها ما را قادر می سازد تا داده ها را به بینش های کسب و کار تبدیل کنیم تا تصمیمات آموزنده را به دست آورید.
شما می توانید تجزیه و تحلیل داده ها را که در هر صنعت مورد استفاده قرار می گیرد، بهداشت و درمان، مالی یا تکنولوژی استفاده کنید. پایتون یکی از مهارت های تقاضای تقاضا برای علوم داده توسط کارفرمایان است. این تنها آسان برای یادگیری آسان نیست، بلکه قدرتمند است.
اصول طراحی دوره به شرح زیر است:
به جای حذف تمام کتابخانه های Python موجود یا توابع به شما، ما تنها مفید ترین آنها را انتخاب کردیم در تجربه صنعت ما برای پوشش در این دوره. این اجازه می دهد تا شما را به تمرکز و کارشناسی ارشد پایه.
علاوه بر برنامه نویسی پایتون، شما همچنین در معرض دانش آماری پایه لازم برای تجزیه و تحلیل داده ها قرار می گیرید.
همراه با سخنرانی های ویدئویی دقیق، شما چند پروژه داده می شود برای کار بر روی تقویت دانش.
در پایان دوره، شما پایه جامد تجزیه و تحلیل داده ها را دارید، و قادر به استفاده از پایتون برای فرایند کامل هستید.
تمام منابع و فایل های کد قرار داده شده در اینجا: https://github.com/packtpublishing/python-for-data-analysis-step-by-step-with-projects-

عنوان اصلی : Python for Data Analysis: Step-By-Step with Projects

سرفصل های دوره :

مقدمه:
معرفی
مرور دوره
دوره سقوط پایتون:
تنظیم محیط پایتون
مرور کلی انواع داده ها، عددی، متغیرهای تعریف شده
رشته ها، توابع مشترک و روش ها
لیست ها، tuples، مجموعه ها، لغت نامه ها، booleans
اگر اظهارات، حلقه ها
ویژگی های تعریف شده، استفاده از بسته ها
توابع لامبدا، عبارات شرطی
واردات داده ها:
Pandas Data Data Overview
بارگذاری داده ها
پیش نمایش داده ها
Pandas Data Data Overview
صادرات داده ها
کشف داده ها:
ترکیبی از مجموعه داده ها
ستون های تغییر نام
انتخاب ستون ها
انتخاب ردیف ها و تنظیم شاخص (1)
انتخاب ردیف ها و تنظیم شاخص (2)
Subsetting هر دو ردیف و ستون
اصلاح مقادیر
ساخت یک کپی
مرتب سازی داده ها
پروژه Capstone Practice I:
NBA Games Overview
تمیز کردن داده ها:
مرور کلی داده ها
حذف ستون های غیر ضروری / ردیف
اطلاعات گم شده از دست رفته
اطلاعات گمشده (رها کردن)
اطلاعات گمشده (Impluting constant)
داده های گمشده (با آمار با آمار) و شاخص های از دست رفته
اطلاعات از دست رفته (با استفاده از مدل)
حمل و نقل گمراه (1)
حمل و نقل گمراه (2)
تمیز کردن متن
تبدیل ستون ها / ویژگی ها:
استخراج تاریخ و زمان
binning
نقشه های جدید نقشه برداری
استفاده از توابع
Capstone Practice Project II:
مرور پروژه بانک چک
تجزیه و تحلیل داده های اکتشافی:
EDA Overview
آمار جمع آوری
گروه توسط
جداول Pivoting
توزیع یک ویژگی
Overview کتابخانه Seeborn
رابطه دو ویژگی (1)
ارتباط دو ویژگی (2)
رابطه چند ویژگی
Seeborn Library Recap
پروژه Capstone Practice III:
Olympic Games Overview
متشکرم:
دوره بندی کردن